Thèse : Construction de compteurs microarchitecturaux de sécurité pour la détection de compromissions logicielles et matérielles de systèmes embarqués critiques
- Candidat·e :
- Lucas Georget
- Date :
- 23 novembre 2026 13:30
- Lieu :
- LAAS-CNRS - Salle de Conférences 7 avenue du colonel Roche 31077 TOULOUSE Cedex 4
- Unités :
- trust
- Délivré par :
- INSA, MITT
- Mots clefs :
- Apprentissage automatique, Signaux microarchitecturaux, Corruptions firmware, Chevaux de Troie matériels
Composition du jury
- Directeur·ice·s :
- Vincent Migliore, Maître de Conférences, INSA Toulouse / LAAS-CNRS
Vincent Nicomette, Professeur, INSA Toulouse - Rapporteur·ice·s :
- Guillaume Hiet, Professeur des Universités, Centrale Supélec
Pascal Cotret, Maître de Conférences, ENSTA - Examinateur·ice·s :
- David Hely, Professeur des Universités, Grenoble INP - UGA
Roselyne Chotin, Professeure des Universités, Sorbonne Université - Invité·e·s :
- Arthur Villard, Ingénieur de recherche, EDF
Frédéric Silvi, Ingénieur de recherche, EDF
Philippe Leleux, Maître de Conférences, INSA Toulouse / LAAS-CNRS
Résumé
Cette thèse propose une nouvelle approche de sécurité pour les systèmes industriels face à la détection de compromissions logicielles et matérielles insidieuses. Alors que l’état de l’art exploite classiquement les compteurs de performance matériels à cette fin, l’évolution des systèmes industriels vers des architectures génériques déployés sur FPGA permet d’envisager des méthodes d’analyse grain fin, en observant des signaux internes qui discriminent efficacement des comportements malveillants. Cette thèse propose une approche de bout-en-bout permettant la sélection automatisée de signaux internes au système, la réduction de dimension via des méthodes d’explicabilité (SHAP values) et l’intégration légère via la mise en place d’arbre de décision.
Deux cas d'études complémentaires concernant les chevaux
de Troie logiciels et matériels sont présentés pour illustrer la généricité de l'approche.
Abstract
This thesis proposes a new security approach for industrial systems in the face of detecting insidious software and hardware compromises. While the state of the art classically exploits hardware performance counters for this purpose, the evolution of industrial systems towards generic architectures deployed on FPGAs enables the envisaging of fine-grain analysis methods, by observing internal signals that effectively discriminate malicious behaviors. This thesis proposes an end-to-end approach enabling the automated selection of internal system signals, dimensionality reduction via explainability methods (SHAP values), and lightweight integration through the implementation of decision trees. Two complementary case studies concerning software and hardware Trojans are presented to illustrate the genericity of the approach.